本文介绍了问题分解（Query Decomposition）在RAG（检索增强生成）系统中的应用。该方法通过将复杂问题拆分为多个子问题，分为串行（依赖关系）和并行（独立）两种执行模式，有效提升复杂查询的应答质量。文章以"番茄炒蛋制作"为例，展示了如何通过大语言模型分解问题并分步检索，最终整合答案的过程。这种"分步拆解-层层递进"的方法使RAG系统具备处理复杂

我想说Qwen是国内开源Top，当之无愧，期待后续Qwen3、QwQ、QvQ的更新模型。最后，在春节串门前，大家可以先把模型下载上，晚上回来，直接开测~~

GPTs应用+Prompt自定义预设应用、可全网搜索使用文生视频/图生视频 可生成15秒视频。

本文详细介绍了将阿里巴巴千问大模型Qwen1.8B部署到Android手机端的完整流程。通过MLC-LLM框架实现模型转换、编译和打包，最终生成可在手机上离线运行的APK文件。关键步骤包括：1) 将HF格式模型转换为MLC支持格式；2) 生成配置文件并编译Android专用模型；3) 修改Gradle配置打包APK；4) 安装测试并实现约20token/s的生成速度。整个过程展示了如何在移动端实现

刚刚刷了一下Qwen的Repo，发现又有新模型了。喜欢开源是吧，就爱这样的你~~这次是数学推理的过程奖励模型，共有3个，分别是，Qwen2.5-Math-7B-PRM800K、Qwen2.5-Math-PRM-7B和Qwen2.5-Math-PRM-72B。

实测MiMo-VL-7B的SFT和RL两个版本，均可以使用think或no-think，分别与Qwen2.5-VL-7B进行对比。

阿里巴巴发布Qwen3-235B大模型，在数学推理、编程能力、多语言支持等方面表现优异，全面超越主流开源及闭源模型。该模型采用混合推理模式和MoE架构，显著提升性能并降低成本，支持256K长文本处理。已开源8款不同规模模型，覆盖端侧到云端需求，在医疗、金融等领域应用效果显著。评测显示其推理成本仅为竞品的1/3-1/20，成为最具性价比的开源大模型之一。未来将加强多模态能力，进一步拓展应用场景。

本文详细介绍了AI大模型从零部署到Android环境的全流程配置指南。内容包括：1)下载Qwen1.5-1.8B-Chat模型；2)安装Miniconda并创建Python3.11虚拟环境；3)配置TVM和MLC-LLM运行环境；4)安装JDK和Android SDK/NDK工具链；5)设置Rust编译环境；6)配置关键环境变量。文中提供了各组件下载链接、安装命令和路径配置方法，为开发者实现大模型

Qwen3凭借混合推理架构和分层参数激活策略，在性能和成本效率上实现突破。本文介绍如何在Win11系统上本地部署最小版本qwen3:0.6b模型：通过ollama工具下载模型后，使用chatbox进行交互。若遇报错需检查ollama版本，升级后即可正常运行。该方案适合资源受限场景的快速部署体验。

是一个用于开发由语言模型驱动的应用程序的框架,致力于简化AI模型应用的开发.简单来说,langchain就是一个帮助开发者轻松完成AI模型应用开发的框架,现在支持python和js两个版本,它集成多种大语言模型及第三方api.